Summary  
This chapter covers how to access a DataFrame’s metadata by retrieving its column names and the data types of each column using the `columns` and `dtypes` attributes.

General domain of usage  
Data analysis

För att visa alla kolumnnamn som en lista, använd följande kodrad:

```python
column_names = df.columns
```

För att få en sammanfattning av alla datatyper i `DataFrame`, använd följande attribut:
`.dtypes`.
```python
data_types = df.dtypes
```

import unittest
import importlib
import pandas as pd


def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)


class TestUserCode(unittest.TestCase):

    def test_column_names_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'column_names'),
            "The `column_names` variable is declared.",
            "Expected `column_names` to be declared."
        )

    def test_column_names_is_index(self):
        import user_code

        try:
            condition = isinstance(user_code.column_names, pd.Index)
            failure_message = f"Expected `column_names` to be an `Index`, but got `{type(user_code.column_names).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `column_names` variable is not declared."

        _dynamic_test(
            self,
            condition,
            "The variable `column_names` is an `Index`.",
            failure_message
        )

    def test_column_names_is_correct(self):
        import user_code

        try:
            wine_data = pd.read_csv(
                'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a43d24b6-df61-4e11-9c90-5b36552b3437/wine.csv')
            expected_value = wine_data.columns
            condition = user_code.column_names.equals(expected_value)
            failure_message = f"Expected `column_names` to be `{expected_value}`, but got `{user_code.column_names}`."
        except AttributeError:
            condition = False
            if not getattr(user_code, 'column_names', None):
                failure_message = "The `column_names` variable is not declared."
            else:
                failure_message = f"`column_names` is not an `Index`."

        _dynamic_test(
            self,
            condition,
            f"`column_names` contains the correct values.",
            failure_message
        )

    def test_data_types_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'data_types'),
            "The `data_types` variable is declared.",
            "Expected `data_types` to be declared."
        )

    def test_data_types_is_series(self):
        import user_code

        try:
            condition = isinstance(user_code.data_types, pd.Series)
            failure_message = f"Expected `data_types` to be a `Series`, but got `{type(user_code.data_types).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `data_types` variable is not declared."

        _dynamic_test(
            self,
            condition,
            "The variable `data_types` is a `Series`.",
            failure_message
        )

    def test_data_types_is_correct(self):
        import user_code

        wine_data = pd.read_csv(
            'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a43d24b6-df61-4e11-9c90-5b36552b3437/wine.csv')
        expected_value = wine_data.dtypes
        
        variable = 'data_types'
        actual_value = getattr(user_code, variable, None)
        if actual_value is None:
            condition = False
            failure_message = f"The `{variable}` variable is not declared."
        elif isinstance(actual_value, pd.Series):
            condition = actual_value.equals(expected_value)
            if actual_value.empty:
                failure_message = f"`{variable}` is empty."
            else:
                failure_message = f"Expected `{variable}` to contain `{expected_value.values}`, but got `{actual_value.values}`."
        else:
            condition = False
            failure_message = f"`{variable}` is not a `Series`."

        _dynamic_test(
            self,
            condition,
            f"`first_row` contains the correct values.",
            failure_message
        )


if __name__ == '__main__':
    unittest.main()

test_main.py

Pandas är ett mycket användarvänligt bibliotek för dataanalys. Det är också utformat för att hantera stora datamängder med hjälp av datastrukturer som DataFrame och Series. Detta gör det till ett ovärderligt verktyg inom Data Science. I denna guide får du bekanta dig med olika statistiska funktioner, inklusive hur man hittar korrelationer, typvärden, medianer samt maximala och minimala värden i en datamängd. Du lär dig även hur man hanterar saknade värden och manipulerar specifika värden, samt hur man tar bort dem.

Fördjupa dig i grunderna för pandas-biblioteket. Skapa och manipulera Series och DataFrames, utforska deras struktur och stärk din förmåga att utföra grundläggande dataoperationer.

Bemästra hur du läser in och hanterar data från CSV- och TXT-filer. Få praktisk erfarenhet av att importera dataset och förbereda dem för vidare analys med hjälp av pandas-verktyg.

Lär dig att utforska, rensa och sammanfatta data på ett effektivt sätt. Förstå hur man hanterar saknade värden, extraherar insikter och utför grundläggande statistiska operationer med pandas.

Kolumnnamn och Datatyper

Lösning

Awesome!

Kolumnnamn och Datatyper

Lösning